拟合之前先思考：系统生物学模型中的参数可辨识性、灵敏度与不确定性
统计方法学
2025-08-27 v1 统计理论
定量方法
应用统计
统计理论
摘要
从系统生物学模型中获得可靠预测，需要知道参数能否从可用数据中估计出来，以及估计的确定性如何。可辨识性分析揭示了参数在理论上（结构可辨识性）和实践中（实际可辨识性）是否可学习。我们使用线性模型介绍核心思想，强调实验设计和输出灵敏度如何塑造可辨识性。在非线性模型中，可辨识性可能随参数值变化，这促使了全局和基于模拟的方法。我们总结了评估可辨识性的计算方法，并指出弱可辨识的参数可能会损害超出校准数据集的预测。提高可辨识性的策略包括测量不同的输出、改进模型结构以及加入先验知识。可辨识性远非技术上的事后考量，它决定了推断和预测的极限。认识并处理可辨识性问题，对于构建不仅与数据拟合良好，而且能够提供具有稳健、可量化不确定性的预测的模型至关重要。
引用
@article{arxiv.2508.18853,
title = {Think before you fit: parameter identifiability, sensitivity and uncertainty in systems biology models},
author = {Simon P. Preston and Richard D. Wilkinson and Richard H. Clayton and Mike J. Chappell and Gary R. Mirams},
journal= {arXiv preprint arXiv:2508.18853},
year = {2025}
}